CN117373619B - 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 - Google Patents

基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 Download PDF

Info

Publication number
CN117373619B
CN117373619B CN202311678557.6A CN202311678557A CN117373619B CN 117373619 B CN117373619 B CN 117373619B CN 202311678557 A CN202311678557 A CN 202311678557A CN 117373619 B CN117373619 B CN 117373619B
Authority
CN
China
Prior art keywords
recipe
food
data
food material
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311678557.6A
Other languages
English (en)
Other versions
CN117373619A (zh
Inventor
杨慧
胡海
刘超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Cancer Hospital
Original Assignee
Sichuan Cancer Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Cancer Hospital filed Critical Sichuan Cancer Hospital
Priority to CN202311678557.6A priority Critical patent/CN117373619B/zh
Publication of CN117373619A publication Critical patent/CN117373619A/zh
Application granted granted Critical
Publication of CN117373619B publication Critical patent/CN117373619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了基于肠造口袋排泄物监测结果的食谱生成方法和生成系统。一种基于肠造口袋排泄物监测结果的食谱生成方法，包括如下步骤：步骤1：建立初始的食材数据库；步骤2：根据消化难度、营养价值，以及食物酸碱度建立三维坐标；步骤3：收集患者肠造口袋内排泄物的形态和酸碱度，负反馈调节患者的食谱。一种基于肠造口袋排泄物监测结果的食谱生成系统，包括信息录入模块、数据收集模块、控制模块，以及信息展示模块；其中，信息录入模块、数据收集模块、信息展示模块，分别与控制模块信号连接。本申请所提供的方案能够对患者的食谱进行相应的修正和调整，以便为患者提供更科学的食谱建议。

Description

基于肠造口袋排泄物监测结果的食谱生成方法和生成系统
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种基于肠造口袋排泄物监测结果的食谱生成方法和生成系统。
背景技术
在肠造口手术完成之后患者的饮食也是非常重要的因素，患者的饮食状况对于患者肠道功能的恢复有着很大的影响。现有的肠造口手术的术后护理工作，一般都是按照患者的身体情况，来给患者提供相应的食物指导工作。
但医生提供的指导通常是相当宽泛的，主要集中于告诫患者避免食用辛辣和不易消化的食物。然而，关于应多摄取哪些食物和少摄取哪些食物的具体问题，医生往往不会给出明确的答复。所以患者在完成手术后无法得到合适的饮食指导，导致患者摄入的食物不能满足术后恢复的要求。
发明内容
本申请的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
作为本申请的第一个方面，为了解决以上背景技术部分提到的技术问题，本申请的一些实施例提供了一种基于肠造口袋排泄物监测结果的食谱生成方法，包括如下步骤：
步骤1：将肠造口术后能够食用的食材以及对应的烹饪方法集合起来，建立初始的食材数据库；
步骤2：根据消化难度、营养价值，以及食物酸碱度建立三维坐标，将患者的食谱映射到三维坐标中，得到患者的食谱在三维坐标中的向量标识；
步骤3：收集患者肠造口袋内排泄物的形态和酸碱度，将患者肠造口袋内排泄物的形态和排泄物的酸碱度作为反馈调节数据，然后将反馈调节数据输入至神经网络模型中，负反馈调节患者的食谱。
目前大众能够食用的食材非常丰富，并且食材也有很多种烹饪手法，主要可以概括为生、煮、炒、炸、烤、蒸以及煎这几类方法。再加上大量的食材种类，所以患者能够选择的食材数量和种类是非常丰富的。而直接将这些食材映射到三维数据库中，则会导致现有的模型在数据转换上存在困难。针对这一问题，本申请提供了如下技术方案：
进一步的，步骤1包括如下步骤：
步骤11：收集若干种常见的食谱，并记录其中每种主要食材以及对应的烹饪方法，烹饪方法包括生、煮、炒、炸、烤、蒸以及煎；
步骤12：去掉患者不能够食用的食材和烹饪方法，将剩余的主要食材，以及对应的烹饪方法建立食材数据库；
步骤13：将食材数据库中的每个食材用BERT模型转化为词向量。
对于相同的食材而言其具有很多种烹饪方式，例如火腿肠，可以用煎、炸、抄、煮等方式进行加工。所以在将这些食材名称转化为向量表示时，需要衡量食材本身和烹饪方式之间的关系。例如，某类患者并不能够食用鸡肉，所以对于鸡肉而言，无论是用何种方式加工，对于该患者而言都是不能食用的，所以对于该食材而言，则需要凸出其在鸡肉上的特征。相应的有些患者不能够食用油炸的食物，则需要凸出在烹饪方式上的特征。而现有的向量转化方式都是直接用BERT模型，将词语转化为向量，所以不能够凸出本申请所关注的特征点，进而导致后续处理时准确性低。针对这一问题，本申请提供如下技术方案：
进一步的，步骤13包括如下步骤：
步骤131：将食材数据库中每个食材以及对应的处理方法组合在一起得到若干个食材名称；
步骤132：将食材名称进行分词，然后使用BERT的tokenizer将这些词转换为对应的ID；
步骤133：将编码后的食材名称输入到BERT模型中，通过模型的前向传播计算，得到每个词的词向量；
步骤134：计算食材名称的向量V，V =α1V1+α2V2；其中，V1为烹饪名称，V2为词向量；α1和α2为加权系数，α1+α2=1；
步骤135：对得到的食材名称的向量进行标准化处理，标准化公式为：V' = (V -μ)/σ，其中μ是食材名称的向量的均值，σ是食材名称的向量的标准差，V' 是食材名称的标准向量。
消化难度、营养价值，以及食物酸碱度，在不同的尺度下有着不同的衡量指标以及衡量距离。例如，食物酸碱度可以一直划分到小数点后的3位数字甚至4位数字，营养价值在权衡上也趋向于不同的需求，例如，对于某些个体而言，蛋白质和脂肪的才是衡量指标，而对于一些个体而言各种元素的均衡才能够表示营养价值。可见，现有的条件体系下，根本无法建立出统一的三维坐标。针对这一问题，本申请提供了如下技术方案：
进一步的，步骤2包括如下步骤：
步骤21：设置消化难度、营养价值，以及食物酸碱度的计算方式，并给消化难度、营养价值，以及食物酸碱度分别设置最小步进距离；
步骤22：以消化难度为X轴、营养价值为Y轴，食物酸碱度为Z轴建立三维坐标；
步骤23：获取患者的食谱中每个食材的食材名称，得到食谱在三维坐标中的向量标识，并根据食谱在三维坐标中的向量标识和食物种类，得到食谱数据H。
在消化难度的衡量上，烹饪方法对于消化难度也是有着一定的影响，针对这一问题，本申请提供了如下技术方案：
进一步的，步骤21中，食谱的消化难度O的计算公式为：
；其中，其中，m1为食谱中第1种食材 的质量，m2为食谱中第2种食材的质量，mi为食谱中第i种食材的质量，mn为食谱中第种n食材 的质量，o1为食谱中第1种食材的消化分数，o2为食谱中第2种食材的消化分数，oi为食谱中 第i种食材的消化分数，on为食谱中第n种食材的消化分数；w1为食谱中第1种食材的烹饪方 法系数，w2食谱中第2种食材的烹饪方法系数，wi为食谱中第i种食材的烹饪方法系数，wn为 食谱中第n种食材的烹饪方法系数。
营养价值是一个非常具有适应性的数值，在不同的场景中营养价值的衡量标准是不一样的。而在肠造口病人中营养价值不仅仅与营养有关系，还与肠胃功能负担有关系。也就是摄入过多的食物可能会导致肠胃功能负担加重不利于肠胃恢复，相应的营养价值也就不高了。针对营养价值难以衡量的技术问题，本申请提供了如下技术方案：
进一步的，步骤21中：营养价值的计算公式为：
；其中，a1+a2+a3+a4=1，a1、a2、a3、a4为预先设 置的权重系数，Q为营养价值；
，Car为碳水的营养价值衡量指标，car0为推荐 摄入的碳水化合物的质量，car1为食谱中第1种食物所含有的碳水化合物的质量，car2为食 谱中第2种食物所含有的碳水化合物的质量，cari为食谱中第i种食物所含有的碳水化合物 的质量，carn为食谱中第n种食物所含有的碳水化合物的质量；
，Fat为脂肪的营养价值衡量指标，fat0为每天医 生每天推荐摄入的脂肪的质量，fat1为食谱中第1种食物所含有的脂肪的质量，fat2为食谱 中第2种食物所含有的脂肪的质量，fati为食谱中第i种食物所含有的脂肪的质量，fatn为食 谱中第n种食物所含有的脂肪的质量；
，Pro为蛋白质的营养价值衡量指标，pro0为 每天医生每天推荐摄入的蛋白质的质量，pro1为食谱中第1种食物所含有的蛋白质的质量， pro2为食谱中第2种食物所含有的蛋白质的质量，proi为食谱中第i种食物所含有的蛋白质 的质量，pron为食谱中第n种食物所含有的蛋白质的质量；
，Vat为维生素的营养价值衡量指标，vat0为每 天医生每天推荐摄入的维生素的质量，vat1为食谱中第1种食物所含有的维生素的质量， vat2为食谱中第2种食物所含有的维生素的质量，vati为食谱中第i种食物所含有的维生素 的质量，vatn为食谱中第n种食物所含有的维生素的质量。
食物的酸碱度对于患者的体制和消化都会造成一定的影响，但是衡量起来又比较繁琐，而过于细致的划分对于患者肠造口回复的效率又有着比较有限的影响。针对这一问题，本申请提供如下技术方案：
进一步的，食物酸碱度Fph的计算公式为：Fph=(M酸- M碱) /M；其中，M酸为食谱中酸性食物的总质量，M碱为食谱中碱性食物的总质量，M为食谱中食物的总质量,Fph为食物酸碱度的衡量指标。
进一步的，步骤23包括如下步骤，获取患者的食谱的第一向量G，G={V'1、V'2、…V'i…V'n}，V'1为食谱中第1种食材的食材名称的标准向量，V'2为食谱中第2种食材的食材名称的标准向量，V'i为食谱中第i种食材的食材名称的标准向量，V'n为食谱中第n种食材的食材名称的标准向量；计算患者的食谱的第二向量h，h为食谱在三维坐标中的向量标识；将第一向量G和第二向量h作为食谱数据H，H={G,h}。
现有的技术方案中，一般都是根据患者的饮食指标和患者的反馈数据来调整患者的因素。但是在肠造口的术后恢复中则需要注重患者的消化情况，针对这一问题，本申请提供了如下技术方案：
进一步的，步骤3包括如下步骤：
步骤31：收集患者肠造口袋内排泄物的形态参数A1、酸碱度A2，以及排泄量A3，得到排泄物数据X，X={A1，A2，A3}；
步骤32：将患者的排泄物数据X和食谱数据H一起输入至神经网络模型中，神经网络模型根据排泄物数据X和食谱数据H调整患者明天的食谱。
一般而言消化具有一定的滞后性，也就是当天吃下去的食物，一般不会当天就消化完成。所以直接用当天的排泄物数据和食谱数据相互匹配之后，输入至神经网络模型中，会导致神经网络模型，无法寻找到食谱数据与排泄物数据之间的客观关系，进而导致食谱的修正情况，一直不理想。针对这一问题：本申请提供如下技术方案：
步骤32中：将预设间隔时间的排泄物数据X和食谱数据H相互匹配。
进一步的，神经网络模型为RNN神经网络模型。
进一步的，RNN神经网络模型包括输入层、隐藏层，以及输出层；其中，排泄物数据X和食谱数据H输入至输入层，隐藏层用于捕捉时间序列数据中的长期依赖关系。隐藏层的数量和每层的节点数可以根据你的数据进行调整；输出层采用softmax激活函数，输出一个或多个食物的建议摄入量或种类。
进一步的，步骤32中，预先收集标准的数据集，数据集中有若干对符合要求的排泄物数据X和食谱数据H；将数据集用于对RNN神经网络模型进行训练。
进一步的，步骤32中，包括如下步骤：
步骤321：将食谱数据H和排泄物数据Y进行配对，形成训练数据集D={(x1,y1),(x2,y2),...,(xn,yn)};
步骤322：使用配对的训练数据集，通过深度学习模型进行训练，建立输入数据和标签数据之间的关系；
步骤323：模型评估
当模型训练完成后，使用验证集来评估模型的性能，验证集是未被模型见过的数据，用于测试模型的泛化能力。
食谱修正： 在模型训练和验证之后，神经网络模型用于修正食谱。
使用时，输入需要修正的食谱数据H和排泄物数据Y，模型会输出预测的食谱数据。
作为本申请的第二个方面，本申请的一些实施例提供了一种基于肠造口袋排泄物监测结果的食谱生成系统，包括信息录入模块、数据收集模块、控制模块，以及信息展示模块；其中，信息录入模块、数据收集模块、信息展示模块，分别与控制模块信号连接；
信息录入模块，用于录入患者的食谱信息；
数据收集模块，用于收集患者的排泄物数据；
信息展示模块，用于给患者提供食物建议，
控制模块，用于采用前述的基于肠造口袋排泄物监测结果的食谱生成方法，生成食谱建议，然后发送至信息展示模块；
其中，数据收集模块包括造口袋、形态传感器、酸碱度传感器，以及计量传感器；
其中，形态传感器设置在造口袋内，用于测量排泄物的形态；
酸碱度传感器，设置在造口袋内，用于测量排泄物的酸碱度；
计量传感器，设置在造口袋内，用于测量排泄物的容量。
综上所述，本申请具有如下有益效果：
（1）本申请所提供的技术方案中相比较于现有技术中，宽泛的对患者提供一个简单的饮食建议，本申请所提供的方案能够根据收集到的排泄物信息，利用神经网络模型，对患者的食谱进行相应的修正和调整，从而可以给患者提供更加科学的食谱。同时，在食材信息的初始处理上会将食材用三维坐标中的向量来表示，从而在用于对神经网络模型的训练上，能够让神经网络模型能够更加直观的发现出不同食材在三维坐标上的差异，进而给患者更加准确的食谱建议。
（2）本申请所提供的技术方案中先将各个食材用现有的BERT模型转化为高维的词向量，此时对于这些词向量而言后续的神经网络模型，再去回顾这些词向量时，能够很容易的了解词与词之间的关系。
（3）本申请所提供的技术方案中在将食材名称转化为向量时，会将烹饪方式和食材名称分别选择不同的权重系数，如果对于需要凸出烹饪方式上差别的食材，则增加烹饪方式的权重；对于注重食材本身的则凸出食材原料的权重；所以，不同的医生在使用这个方法时，对于患者能够提供不同的推荐建议。
（4）本申请所提供的技术方案中对于消化难度、营养价值，以及食物酸碱度都设置了统一的权衡指标和最小的步进距离，所以并不会盲目的去标注更为精准的最小值，从而减少了数据量计算的基础上还能够更加符本方案的需求。
（5）本申请所提供的技术方案中，在计算消化难度时，充分考虑了每种食材的重量占比，以及烹饪方式，所以计算出来的消化难度能够有效的区分不同食谱的消化难度，并且在衡量消化难度的准确性上也非常高。
（6）在本申请所提供的技术方案中营养价值Q，由6大营养素中的4大营养素的配比所计算得到。其中，医生可以根据需求，调整a1、a2、a3、a4的系数大小，来注重凸出对于不同类型物质的需求；同时，在Car、Fat、Pro，以及Vat的计算方式上，则是计算推荐摄入量与实际摄入量的差值的绝对值的倒数，所以可以预见，患者摄入的质量越接近推荐量则相应的数值就越大，患者摄入的质量与推荐量偏差越大则会导致数值就越小。
（7）本申请所提供的技术方案中在计算食物酸碱度时，选择的是酸性食物和碱性食物的重量差值与总重量的比值。所以，食物酸碱度的绝对值越大则说明食物偏酸性，或者偏碱性的程度就越强。进而能够在了解食物酸碱度的情况下，也并不需要对食物的酸碱性质进行过于精细的划分。
（8）在本申请所提供的技术方案中，将患者的排泄物数据X和食谱数据H一起输入至神经网络模型中，神经网络模型能够以反馈调节患者的食谱数据，从而起到给患者提供更好饮食建议的作用。
（9）本申请所提供的技术方案中，并不是将当天的排泄物数据X和食谱数据H相互匹配，而是将排泄物数据X和食谱数据H之间设置了一定的间隔，这样输入至神经网络模型内之后，神经网络模型，能够更加准确的找到排泄物数据X和食谱数据H之间的关联性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。
另外，贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
在附图中：
图1为基于肠造口袋排泄物监测结果的食谱生成方法的流程图。
图2为基于肠造口袋排泄物监测结果的食谱生成系统的结构示意图。
图3为造口袋中传感器检测到的排泄物的电容示图。
图4为数据收集模块的示意图。
附图标记：
1、造口袋；2、造口入口；3、形态传感器；4、酸碱度传感器；5、计量传感器；6、通信模块；
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现， 而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请。
实施例1：参照图1：
一种基于肠造口袋排泄物监测结果的食谱生成方法，包括如下步骤：步骤1：将肠造口术后能够食用的食材以及对应的烹饪方法集合起来，建立初始的食材数据库。
步骤1包括如下步骤：
步骤11：收集若干种常见的食谱，并记录其中每种主要食材以及对应的烹饪方法，烹饪方法包括生、煮、炒、炸、烤、蒸以及煎。
该食谱实际上就是医院给患者推荐的若干种常见的食材。但是，目前的烹饪方式多种多样。而不同的烹饪方式，实际上代表着不同的加工方式，对于患者肠胃的负担是不同的。就以虾为例，虾如果是直接生吃明显会加重患者的肠胃负担，而如果煮熟之后再食用则不会有这个问题。而有些水果既可以生吃也可以熟吃，例如梨。本方案中，在建立食材数据库时会在食材的前面增加一些相应的烹饪方法。
步骤12：去掉患者不能够使用的食材和烹饪方法，将剩余的主要食材，以及对应的烹饪方法建立食材数据库。
步骤13：将食材数据库中的每个食材用BERT模型转化为词向量。
食材的名称本质上都是自然语言这是人类能够理解的语言，不能够直接输入到神经网络模型中，所以需要将食材名称转化为向量。为此，步骤13具体包括如下步骤：
步骤13包括如下步骤：
步骤131：将食材数据库中每个食材以及对应的处理方法组合在一起得到若干个食材名称。
将食材和对应的处理方法组合在一起实际上就是一道食物的名称，这里之所以这样组合，因为患者最终食用的就是该类食物。例如，煮熟的鱼肉，患者最终吃的就是煮鱼肉对应的食材名称就是煮鱼肉。但是，在家常的菜谱中可能写的是水煮活鱼，所以在实践中，患者在录入这些食谱数据时，是需要自己对菜品的名称进行翻译的，如将“水煮活鱼”翻译为“煮鱼肉”。
步骤132：将食材名称进行分词，然后使用BERT的tokenizer将这些词转换为对应的ID。
步骤133：将编码后的食材名称输入到BERT模型中，通过模型的前向传播计算，得到每个词的词向量。
步骤134：计算食材名称的向量V，V =α1V1+α2V2；其中，V1为烹饪名称，V2为词向量；α1和α2为加权系数，α1+α2=1。
步骤135：对得到的食材名称的向量进行标准化处理，标准化公式为：V' = (V -μ)/σ，其中μ是食材名称的向量的均值，σ是食材名称的向量的标准差，V' 是食材名称的标准向量。
通过上述步骤，就能够将每种食材全部处理为向量的表现形式。该部分除开本文理解的采用BERT模型来处理之外，还可以选用其余的方式来处理。
步骤2：根据消化难度、营养价值，以及食物酸碱度建立三维坐标，将患者的食谱映射到三维坐标中，得到患者的食谱在三维坐标中的向量标识。
步骤2包括如下步骤：
步骤21：设置消化难度、营养价值，以及酸碱度的计算方式，并给消化难度、营养价值，以及食物酸碱度分别设置最小步进距离。
最小步进距离就是消化难度、营养价值，以及酸碱度的最小单位。例如，在一个数轴上，数轴上的数值都是连续的，任意一段数轴上都具有无数个数值或者说是无数个点，而本方案中设置最小的步进距离，就是将由连续的点所组成的数轴变化为由离散的点所组成的数轴，然后在这些离散的点之间的数值则采用就近原则进行约算估计。
例如，营养价值的最小步进距离是1，则某个食谱的营养价值为1.1，则根据就近原则，该食谱的营养价值就是1.0。如果某个食谱的营养价值为1.9，则根据就近原则，该食谱的营养价值就是2.0。
步骤21中，食谱的消化难度O的计算公式为：
；其中，m1为食谱中第1种食材的质 量，m2为食谱中第2种食材的质量，mi为食谱中第i种食材的质量，mn为食谱中第种n食材的质 量，o1为食谱中第1种食材的消化分数，o2为食谱中第2种食材的消化分数，oi为食谱中第i种 食材的消化分数，on为食谱中第n种食材的消化分数；w1为食谱中第1种食材的烹饪方法系 数，w2食谱中第2种食材的烹饪方法系数，wi为食谱中第i种食材的烹饪方法系数，wn为食谱 中第n种食材的烹饪方法系数。
其中，oi作为消化分数为预先设置，具体的数值大小为根据权威的研究数据，或者实际研究所得到的。对应的，每种食材的烹饪方法系数也是预先设置的。这两个数值都是医生，或者说医疗单元根据自身的数据计算得到，在运用中可以根据实际情况，进行调整。
步骤21中：营养价值的计算公式为：
；其中，a1+a2+a3+a4=1，a1、a2、a3、a4为预先设 置的权重系数，Q为营养价值；
，Car为碳水的营养价值衡量指标，car0为每天 医生每天推荐摄入的碳水化合物的质量，car1为食谱中第1种食物所含有的碳水化合物的 质量，car2为食谱中第2种食物所含有的碳水化合物的质量，cari为食谱中第i种食物所含有 的碳水化合物的质量，carn为食谱中第n种食物所含有的碳水化合物的质量；
，Fat为脂肪的营养价值衡量指标，fat0为每天医 生每天推荐摄入的脂肪的质量，fat1为食谱中第1种食物所含有的脂肪的质量，fat2为食谱 中第2种食物所含有的脂肪的质量，fati为食谱中第i种食物所含有的脂肪的质量，fatn为食 谱中第n种食物所含有的脂肪的质量；
，Pro为蛋白质的营养价值衡量指标，pro0为 每天医生每天推荐摄入的蛋白质的质量，pro1为食谱中第1种食物所含有的蛋白质的质量， pro2为食谱中第2种食物所含有的蛋白质的质量，proi为食谱中第i种食物所含有的蛋白质 的质量，pron为食谱中第n种食物所含有的蛋白质的质量；
，Vat为维生素的营养价值衡量指标，vat0为每 天医生每天推荐摄入的维生素的质量，vat1为食谱中第1种食物所含有的维生素的质量， vat2为食谱中第2种食物所含有的维生素的质量，vati为食谱中第i种食物所含有的维生素 的质量，vatn为食谱中第n种食物所含有的维生素的质量。
每种食物中，含有的蛋白质、碳水、维生素，脂肪的含量目前都是可以查询到的。医生能够根据实际情况，推荐患者每天应该摄入多少蛋白质、碳水、维生素，以及脂肪。但是在临床中不可能让患者不进行自然饮食，而是用医院的营养餐。所以患者每天食用的食物，不一定能够达到医生的推荐量只可能的尽量接近。
食物酸碱度Fph的计算公式为：Fph=(M酸- M碱) /M；其中，M酸为食谱中酸性食物的总质量，M碱为食谱中碱性食物的总质量，M为食谱中食物的总质量,Fph为食物酸碱度的衡量指标。
每种食物都有一定的酸性和碱性，具体的酸碱性大小相差都不会很大，所以直接采用本申请所提供的方式来衡量。并且，关于食物酸碱性的判断为预先录入的信息。常见食材的酸碱性并不需要去额外探究，目前的资料中都可以查询到所以只需要直接录入既可。
步骤22：以消化难度为X轴、营养价值为Y轴，食物酸碱度为Z轴建立三维坐标。
其中，消化难度和营养价值都只有一个方向，食物酸碱度则是两个方向，正方向表示食谱呈现酸性负方向表示食物呈现碱性。
步骤23：获取患者的食谱中每个食材的食材名称，得到食谱在三维坐标中的向量标识，并根据食谱在三维坐标中的向量标识和食物种类，得到食谱数据H。
步骤23包括如下步骤，获取患者的食谱的第一向量G，G={V'1、V'2、…V'i…V'n}，V'1为食谱中第1种食材的食材名称的标准向量，V'2为食谱中第2种食材的食材名称的标准向量，V'i为食谱中第i种食材的食材名称的标准向量，V'n为食谱中第n种食材的食材名称的标准向量；计算患者的食谱的第二向量h，h为食谱在三维坐标中的向量标识；将第一向量G和第二向量h作为食谱数据H，H={G,h}。
如此，经过步骤1和步骤2之后，所得到的食谱数据H里面包含了食材信息和对于食谱的评价信息。进而在后续的神经网络模型中能够分析出两者之间的关系，对食材信息进行更好的调整。
步骤3：收集患者肠造口袋内排泄物的形态和酸碱度，将患者肠造口袋内排泄物的形态和排泄物的酸碱度作为反馈调节数据，然后将反馈调节数据输入至神经网络模型中，负反馈调节患者的食谱。
步骤31：收集患者肠造口袋内排泄物的形态参数A1、酸碱度A2，以及排泄量A3，得到排泄物数据X，X={A1，A2，A3}；
步骤32：将患者的排泄物数据X和食谱数据H一起输入至神经网络模型中，神经网络模型根据排泄物数据X和食谱数据H调整患者明天的食谱。
步骤32中：将预设间隔时间的排泄物数据X和食谱数据H相互匹配。
进一步的，神经网络模型为RNN神经网络模型。
步骤32中，预先收集标准的数据集，数据集中有若干对符合要求的排泄物数据X和食谱数据H；将数据集用于对RNN神经网络模型进行训练，其中，X为输入数据，H为标签数据。
进一步的，步骤32中，包括如下步骤：
步骤321：将食谱数据H和排泄物数据X进行配对，形成训练数据集D={(x1,y1),(x2,y2),...,(xn,yn)};
步骤322： 使用配对的训练数据集，通过深度学习模型进行训练，建立输入数据和标签数据之间的关系；
步骤323：模型评估
当模型训练完成后使用验证集来评估模型的性能，验证集是未被模型见过的数据，用于测试模型的泛化能力，计算模型预测与验证集标签之间的损失函数值和相关评估指标以此来判断模型的性能。
食谱修正: 在模型训练和验证之后，神经网络模型用于修正食谱。
步骤32所运用的神经网络模型为现有技术，只是神经网络模型的一种具体运用。其思路可以总结为：
构建神经网络模型：设计和训练一个神经网络模型，该模型能够根据输入的排泄物数据和食谱数据，调整并生成适合患者的个性化食谱。模型的输入包括排泄物数据X和食谱数据H。
数据预处理：对患者的排泄物数据X和食谱数据H进行预处理，包括数据清洗、归一化等操作，以便输入到神经网络模型中。
输入数据到模型：将经过预处理后的排泄物数据X和食谱数据H输入到神经网络模型中。
模型调整食谱：神经网络模型根据输入的排泄物数据和食谱数据进行学习和调整，通过反向传播算法优化模型的参数，以生成符合患者肠道状况的个性化食谱。
输出调整后的食谱：经过神经网络的计算和调整后，得到针对患者的个性化食谱，该食谱根据患者的排泄物数据进行了反馈调节。
RNN模型的具体使用方式为现有技术，这里不再进行进一步的描述。
实施例2：一种基于肠造口袋排泄物监测结果的食谱生成系统，包括信息录入模块、数据收集模块、控制模块，以及信息展示模块；其中，信息录入模块、数据收集模块、信息展示模块，分别与控制模块信号连接；
信息录入模块，用于录入患者的食谱信息；
数据收集模块，用于收集患者的排泄物数据；
信息展示模块，用于给患者提供食物建议，
控制模块，用于采用前述的基于肠造口袋排泄物监测结果的食谱生成方法，生成食谱建议，然后发送至信息展示模块；
其中，数据收集模块包括造口袋、形态传感器、酸碱度传感器，以及计量传感器；
其中，形态传感器设置在造口袋内，用于测量排泄物的形态；
酸碱度传感器，设置在造口袋内，用于测量排泄物的酸碱度；
计量传感器，设置在造口袋内，用于测量排泄物的容量。
如图4所示，数据收集模块实质上就是一个造口袋1，在造口袋1内嵌入了对应的形态传感器3、酸碱度传感器4，以及计量传感器5。形态传感器3，实质上就是通过收集排泄物的导电性能，根据导电性能判断排泄物的液态情况，进而确定排泄物的形态。酸碱度传感器4为现有技术中用于测量酸碱度的传感器。计量传感器5，则是一个容量计，根据造口袋内，排泄物达到的高度，以及患者同步的修正结果来得到最终的数据。以上三种数据的收集，在现有技术的条件下，都能够实现，具体的传感器原理这里不再阐述。在本实施例中，数据收集模块通过通信模块6，将接收到的数据直接上传到控制模块内。
控制模块为处理器，可以是远程服务器，然后通过无线网络，将信息传递到患者的手机、电脑等移动终端上。对应的，信息录入模块就是一个录入信息的模块，在目前的技术背景下，可以采用手机来替代。信息展示模块，则是一个用于展示饮食建议的模块，可以理解为手机上的显示器。
以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于，包括如下步骤：步骤1：将肠造口术后能够食用的食材以及对应的烹饪方法集合起来，建立初始的食材数据库；
步骤2：根据消化难度、营养价值，以及食物酸碱度建立三维坐标，将患者的食谱映射到三维坐标中，得到患者的食谱在三维坐标中的向量标识；
步骤3：收集患者肠造口袋内排泄物的形态和酸碱度，将患者肠造口袋内排泄物的形态和排泄物的酸碱度作为反馈调节数据，然后将反馈调节数据输入至神经网络模型中，负反馈调节患者的食谱；
步骤2包括如下步骤：
步骤21：设置消化难度、营养价值，以及食物酸碱度的计算方式，并给消化难度、营养价值，以及食物酸碱度分别设置最小步进距离；
步骤22：以消化难度为X轴、营养价值为Y轴，食物酸碱度为Z轴建立三维坐标；
步骤23：获取患者的食谱中每个食材的食材名称，得到食谱在三维坐标中的向量标识，并根据食谱在三维坐标中的向量标识和食物种类，得到食谱数据H；
最小步进距离就是消化难度、营养价值，以及食物酸碱度的最小单位；
步骤3包括如下步骤：
步骤31：收集患者肠造口袋内排泄物在24h内的形态参数A1、酸碱度A2，以及排泄量A3，得到排泄物数据X，X={A1，A2，A3}；
步骤32：将患者的排泄物数据X和食谱数据H一起输入至神经网络模型中，神经网络模型根据排泄物数据X和食谱数据H调整患者明天的食谱；
步骤32中：将预设间隔时间的排泄物数据X和食谱数据H相互匹配；
神经网络模型为RNN神经网络模型；
步骤32中，预先收集标准的数据集，数据集中有若干对符合要求的排泄物数据X和食谱数据H；将数据集用于对RNN神经网络模型进行训练，其中，X为输入数据，H为标签数据；
步骤32中，包括如下步骤：
步骤321：将食谱数据H和排泄物数据X进行配对，形成训练数据集；
步骤322： 使用配对的训练数据集，通过深度学习模型进行训练，建立输入数据和标签数据之间的关系；
步骤323：模型评估：
当模型训练完成后使用验证集来评估模型的性能，验证集是未被模型见过的数据，用于测试模型的泛化能力，计算模型预测与验证集标签之间的损失函数值和相关评估指标以此来判断模型的性能；
步骤324食谱修正: 在模型训练和验证之后，神经网络模型用于修正食谱；
步骤32中：
构建神经网络模型：设计和训练一个神经网络模型，该模型能够根据输入的排泄物数据和食谱数据，调整并生成适合患者的个性化食谱；模型的输入包括排泄物数据X和食谱数据H；
数据预处理：对患者的排泄物数据X和食谱数据H进行预处理，包括数据清洗、归一化操作，以便输入到神经网络模型中；
输入数据到模型：将经过预处理后的排泄物数据X和食谱数据H输入到神经网络模型中；
模型调整食谱：神经网络模型根据输入的排泄物数据和食谱数据进行学习和调整，通过反向传播算法优化模型的参数，以生成符合患者肠道状况的个性化食谱；
输出调整后的食谱：经过神经网络的计算和调整后，得到针对患者的个性化食谱，该食谱根据患者的排泄物数据进行了反馈调节。
2.根据权利要求1所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：步骤1包括如下步骤：
步骤11：收集若干种常见的食谱，并记录其中每种食材以及对应的烹饪方法，烹饪方法包括生、煮、炒、炸、烤、蒸以及煎；
步骤12：去掉患者不能够食用的食材和烹饪方法，将剩余的食材，以及对应的烹饪方法建立食材数据库；
步骤13：将食材数据库中的每个食材用BERT模型转化为词向量。
3.根据权利要求2所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：步骤13包括如下步骤：
步骤131：将食材数据库中每个食材以及对应的处理方法组合在一起得到若干个食材名称；
步骤132：将食材名称进行分词，然后使用BERT的tokenizer将这些词转换为对应的ID；
步骤133：将编码后的食材名称输入到BERT模型中，通过模型的前向传播计算，得到每个词的词向量；
步骤134：计算食材名称的向量V，V =α1V1 +α2 V2；其中，V1为烹饪名称，V2为词向量；α1和α2为加权系数，α1+α2=1；
步骤135：对得到的食材名称的向量进行标准化处理，标准化公式为：V' = (V -μ) /σ，其中μ是食材名称的向量的均值，σ是食材名称的向量的标准差，V' 是食材名称的标准向量。
4.根据权利要求3所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：步骤21中，食谱的消化难度O的计算公式为：
；其中，m1为食谱中第1种食材的质量，m2为食谱中第2种食材的质量，mi为食谱中第i种食材的质量，mn为食谱中第种n食材的质量，o1为食谱中第1种食材的消化分数，o2为食谱中第2种食材的消化分数，oi为食谱中第i种食材的消化分数，on为食谱中第n种食材的消化分数；w1为食谱中第1种食材的烹饪方法系数，w2食谱中第2种食材的烹饪方法系数，wi为食谱中第i种食材的烹饪方法系数，wn为食谱中第n种食材的烹饪方法系数。
5.根据权利要求4所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：步骤21中：营养价值的计算公式为：
；其中，a1+a2+a3+a4=1，a1、a2、a3、a4为预先设置的权重系数，Q为营养价值；
，Car为碳水的营养价值衡量指标，car0为每天医生每天推荐摄入的碳水化合物的质量，car1为食谱中第1种食物所含有的碳水化合物的质量，car2为食谱中第2种食物所含有的碳水化合物的质量，cari为食谱中第i种食物所含有的碳水化合物的质量，carn为食谱中第n种食物所含有的碳水化合物的质量；
，Fat为脂肪的营养价值衡量指标，fat0为每天医生每天推荐摄入的脂肪的质量，fat1为食谱中第1种食物所含有的脂肪的质量，fat2为食谱中第2种食物所含有的脂肪的质量，fati为食谱中第i种食物所含有的脂肪的质量，fatn为食谱中第n种食物所含有的脂肪的质量；
，Pro为蛋白质的营养价值衡量指标，pro0为每天医生每天推荐摄入的蛋白质的质量，pro1为食谱中第1种食物所含有的蛋白质的质量，pro2为食谱中第2种食物所含有的蛋白质的质量，proi为食谱中第i种食物所含有的蛋白质的质量，pron为食谱中第n种食物所含有的蛋白质的质量；
，Vat为维生素的营养价值衡量指标，vat0为每天医生每天推荐摄入的维生素的质量，vat1为食谱中第1种食物所含有的维生素的质量，vat2为食谱中第2种食物所含有的维生素的质量，vati为食谱中第i种食物所含有的维生素的质量，vatn为食谱中第n种食物所含有的维生素的质量。
6.根据权利要求5所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：食物酸碱度Fph的计算公式为：Fph=(M酸 - M碱) /M；其中，M酸为食谱中酸性食物的总质量，M碱为食谱中碱性食物的总质量，M为食谱中食物的总质量，Fph为食物酸碱度的衡量指标。
7.根据权利要求6所述的基于肠造口袋排泄物监测结果的食谱生成方法，其特征在于：步骤23包括如下步骤，获取患者的食谱的第一向量G，G={V'1、V'2、…V'i…V'n}，V'1为食谱中第1种食材的食材名称的标准向量，V'2为食谱中第2种食材的食材名称的标准向量，V'i为食谱中第i种食材的食材名称的标准向量，V'n为食谱中第n种食材的食材名称的标准向量；计算患者的食谱的第二向量h，h为食谱在三维坐标中的向量标识；将第一向量G和第二向量h作为食谱数据H，H={G,h}。
8.一种基于肠造口袋排泄物监测结果的食谱生成系统，其特征在于，包括信息录入模块、数据收集模块、控制模块，以及信息展示模块；其中，信息录入模块、数据收集模块、信息展示模块，分别与控制模块信号连接；
信息录入模块，用于录入患者的食谱信息；
数据收集模块，用于收集患者的排泄物数据；
信息展示模块，用于给患者提供食物建议，
控制模块，用于采用权利要求1~7中任一项所述的基于肠造口袋排泄物监测结果的食谱生成方法，生成食谱建议，然后发送至信息展示模块；
其中，数据收集模块包括造口袋、形态传感器、酸碱度传感器，以及计量传感器；
其中，形态传感器设置在造口袋内，用于测量排泄物的形态；
酸碱度传感器，设置在造口袋内，用于测量排泄物的酸碱度；
计量传感器，设置在造口袋内，用于测量排泄物的容量。
CN202311678557.6A 2023-12-08 2023-12-08 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 Active CN117373619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311678557.6A CN117373619B (zh) 2023-12-08 2023-12-08 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311678557.6A CN117373619B (zh) 2023-12-08 2023-12-08 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统

Publications (2)

Publication Number Publication Date
CN117373619A CN117373619A (zh) 2024-01-09
CN117373619B true CN117373619B (zh) 2024-03-05

Family

ID=89396972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311678557.6A Active CN117373619B (zh) 2023-12-08 2023-12-08 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统

Country Status (1)

Country Link
CN (1) CN117373619B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104560922A (zh) * 2014-03-25 2015-04-29 中国科学院青岛生物能源与过程研究所 一种改良性能的纤维素内切酶Cel7B突变体
CN115714001A (zh) * 2022-11-14 2023-02-24 北京航空航天大学 一种面向健康饮食的多模态知识图谱服务平台构建方法
CN116561433A (zh) * 2023-06-27 2023-08-08 平安科技（深圳）有限公司 基于python识别的营养菜品推荐方法、装置、设备及存储介质
CN116665843A (zh) * 2023-07-28 2023-08-29 四川省肿瘤医院 一种肿瘤患者膳食能量摄入优化方法
CN116682532A (zh) * 2023-06-12 2023-09-01 中日友好医院(中日友好临床医学研究所) 一种糖尿病前期患者健康管理方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200312456A1 (en) * 2019-03-26 2020-10-01 Orly Yadid-Pecht Machine-learning based medical analysis system and method therefor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104560922A (zh) * 2014-03-25 2015-04-29 中国科学院青岛生物能源与过程研究所 一种改良性能的纤维素内切酶Cel7B突变体
CN115714001A (zh) * 2022-11-14 2023-02-24 北京航空航天大学 一种面向健康饮食的多模态知识图谱服务平台构建方法
CN116682532A (zh) * 2023-06-12 2023-09-01 中日友好医院(中日友好临床医学研究所) 一种糖尿病前期患者健康管理方法及装置
CN116561433A (zh) * 2023-06-27 2023-08-08 平安科技（深圳）有限公司 基于python识别的营养菜品推荐方法、装置、设备及存储介质
CN116665843A (zh) * 2023-07-28 2023-08-29 四川省肿瘤医院 一种肿瘤患者膳食能量摄入优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
fMRI Neural Responses to Visual and Auditory Food Stimuli Pre and Post Roux-en-Y Gastric Bypass (RYGB) and Sleeve Gastrectomy (SG);A, Shaunte Baboumian , et al.;《Neuroscience》;20190615;第413卷;第290-298页 *
日间无痛肠镜息肉摘除术患者早期饮食干预应用观察;牛娅婷;《河南医学高等专科学校学报》;20221215;第34卷(第6期);第707-709页 *
糖尿病患个体化食谱营养优化建模与算法实现;孔维检 等;《上海大学学报(自然科学版)》;20180831(第4期);第85-93页 *

Also Published As

Publication number Publication date
CN117373619A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Pouladzadeh et al. Food calorie measurement using deep learning neural network
US20170249445A1 (en) Portable devices and methods for measuring nutritional intake
KR100682900B1 (ko) 사용자의 생활 패턴을 고려한 건강 관리 방법 및 장치
US20090288887A1 (en) Electronic scale
WO2019019491A1 (zh) 一种血氧饱和度的检测方法与系统
CN105260594A (zh) 一种个体营养评价系统
CN110800067A (zh) 身体组成预测工具
CN103310092A (zh) 健康照护管理系统及方法
CN112889115A (zh) 健康管理系统
CN116453652A (zh) 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质
JP2023020789A (ja) プログラム、方法、およびシステム
CN117373619B (zh) 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统
CN112309575A (zh) 身形变化预测系统
CN117153416B (zh) 一种糖尿病筛查数据处理及管理系统
CN113936765A (zh) 周期行为报告的生成方法及装置、存储介质、电子设备
CN116453641B (zh) 一种中医辅助分析信息的数据处理方法及系统
WO2016184089A1 (zh) 信息获取方法、装置和计算机存储介质
US11935642B2 (en) System and method for generating a neonatal disorder nourishment program
CN113096768A (zh) 一种食管癌的饮食调理养护方法及系统
KR102033063B1 (ko) 개인 히스토리 데이터 기반 맞춤형 건강 관리 시스템 및 방법
CN112233797A (zh) 一种健康管理方法、装置以及计算机可读存储介质
CN113140286A (zh) 饮食信息确定的方法、装置、电子设备及计算机存储介质
US20240087719A1 (en) Methods and systems for calculating an edible score in a display interface
US20240170129A1 (en) System and method for generating a neonatal disorder nourishment program
CN117558410B (zh) 基于人工智能的糖尿病肾病患者饮食管理系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant